起源：
我們平時用的精度 accuracy，也就是整體的正確率
acc=predict_right_num/predict_num
這個雖然常用，但不能滿足所有任務的需求。比如，因為香蕉太多了，也不能撥開人工的一個一個的看它的好壞 (我愛吃啊，想想就心疼)，此時我們就需要有一種方法，代替撥開香蕉這種粗魯的手段。這時我們需要通過一些測試，看看哪種方法能更加准確的預測。我們可以通過
“准”：預測的准確度，就是我預測的結果中真正好的香蕉要越多越好；
“全”：就是所有的好的香蕉預測出來的越多越好，雖然把有些壞的也預測是好的了，那也不管，“全” 就行。好的香蕉越多的出現在預測結果里
其實這兩者都想要達到就好了，但是不行的：
比如 "准", 我就預測一個算了，好的香蕉肯定比壞的比例高，也就是我只預測一個，100% 比例幾率最大了，這時就不 “全” 了，海有好多好的香蕉不在預測結果里面
再比如 "全", 我去全部預測成好的，這真正好的都在我的預測里，也就是 100%。可是這時的 "准" 就一點都不准了。。
所以就必須來平衡這倆同志的關系了，怎么平衡呢？肯定是通過權重來的呀，此時，F 值登上歷史舞台!
實例說明：
實例化講解吧。比如我們的香蕉中 1 表示好的，0 表示壞的，有 10 個香蕉：
gold : [1，1，1，1，1，0，0，0，0，0]
pred: [1，0，1，1，1，1，1，0，0，0]
注釋：gold 是現實的好壞；pred 是預測的好壞。
P(Precision) 查准率，准確率：就是上面說的 "准"。字面意思好理解呀，就是在預測當中查找准確個數的比例。公式為：
P = 真正預測准確的數量 / 預測是准確的數量 = 4 / 6
R(Recall) 查全率，召回率：就是上面的 "全"。根據字面理解，在預測中看看真正預測對的占全有對的比率。公式為：
R = 真正預測准確的數量 / 所有真正好的數量 = 4 / 5
准確率就是找得對，召回率就是找得全。大概就是你問問一個模型，這堆東西是不是某個類的時候，准確率就是 它說是，這東西就確實是的概率吧，召回率就是， 它說是，但它漏說了（1 - 召回率）這么多。
F 值 綜合評價指標，是：
F(k) = ( 1 + k ) * P * R / ( ( k*k ) * P + R )
注釋：k>0 度量了 查全率 對 查准率 的相對重要性。k>1 查全率有更大影響；k<1查准率有更大影響。
在這個實例中可以表示為：k>1 就是查全率有更大影響，就是好的香蕉最好都預測出來，因為你覺得不想把好的當成壞的扔點 (真可惜，我愛吃啊) ；k<1 查准率有更大影響，就是一定要准確，省時間，省力更重要，不在乎好的香蕉當壞的扔點。
而我們常用的是 F1，就是 F(1) 的意思，k=1，比如我們做一個分類任務，這幾個類覺得都一樣重要。此時：
F(1) = 2 * P * R / ( P + R ) = 2*4/6*4/5/(4/6+4/5) = 8/11